-
公开(公告)号：CN104361339B
公开(公告)日：2018-08-07
申请号：CN201410709472.4
申请日：2014-11-27
Applicant: 北京市新技术应用研究所 , 北京北科慧识科技股份有限公司
IPC: G06K9/46
Abstract: 本发明提供了掌形图形提取方法,包括:根据当前掌形图像提取图像边缘信息的概率密度估计值。获取前景概率密度估计值及背景概率密度估计值。根据前景概率密度估计值及背景概率密度估计值获取当前掌形图像的后验概率图谱。通过图像后验概率图谱获取掌形边缘信息。根据前景图像的后验概率图谱及掌形边缘信息,对当前掌形图像中的掌形区域进行图像分割,提取当前掌形图像。解决了现有图像分割技术难以满足针对移动终端的掌纹辨识技术的需要。从而,既保证了切割得准确率也具有较低的计算复杂度,该方法的切割准确率可以达到90%以上,并可在嵌入式移动终端应用,切割速度在500ms以内。
-
公开(公告)号：CN104463121A
公开(公告)日：2015-03-25
申请号：CN201410743783.2
申请日：2014-12-08
Applicant: 北京市新技术应用研究所
IPC: G06K9/00
CPC classification number: G06K9/00362
Abstract: 本发明公开了人群密度信息获取方法，包括：从当前人群采集图像中，提取当前人群采样图像；根据当前人群采样图像获取人群密度采样值；根据人群密度采样值与设定阀值的判断结果，进行纹理法密度分析或像素法人群密度分析，获取当前人群密度信息；根据当前人群密度信息生成人群密度报警信息。从而解决了现有人群密度准确性低的问题。避免了由于分析方法不当而造成的密度分析精度下降的情况。从而，提高了人群密度采集的准确性，降低了人群预存的成本并提高了信息的有效性。
-
公开(公告)号：CN119168830A
公开(公告)日：2024-12-20
申请号：CN202411311688.5
申请日：2024-09-20
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06Q50/26 , G06Q10/0631 , G06F16/35 , G06N3/0455 , G06N3/0475 , G06F18/10 , G06F18/27 , G06N3/047 , G06F18/22 , G06N3/048
Abstract: 一种基于生成式模型和分层训练的热线文本智能转派方法，针对诸如12345民生服务热线等的特殊文本数据进行文本分类，主要包括：文本预处理、模型训练和模型推理三部分。基于生成式模型通过相同标签数据配对进行了数据增广，将少量标签的样本多样化，从而有效缓解了数据不平衡的问题。提出分层训练模型，并且在训练低层级部门对应的模型时，数据集中会包含前一层级的部门信息，使模型更专注当前层级的部门信息以及与上一层级部门的关联性，改善了由于部门流转途径过长而导致的幻觉问题。为每个层级单独训练模型，实现了对热线文本的智能转派。
-
公开(公告)号：CN114332517B
公开(公告)日：2024-11-01
申请号：CN202111506192.X
申请日：2021-12-10
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/762 , G06V10/774 , G06V40/10
Abstract: 本公开提供了一种无监督行人重识别模型的建立方法，包括：使用图像样本数据集在源域上进行训练，获得源域模型；在目标域创建协作网络与联合网络，将源域模型的模型参数迁移至目标域，对协作网络及联合网络进行初始化；将图像样本数据集分别输入至第一临时平均模型和第二临时平均模型，获得两组图像样本，分别提取样本特征，获取两组图像样本的样本特征的平均样本特征；对图像样本数据集进行聚类处理，获得聚类中心和伪标签；对图像样本数据集进行图像样本数据集分割处理，分割为信赖集和噪声集；对联合网络以及协作网络进行交替训练，获得训练后的无监督行人重识别模型。本公开还提供了一种无监督行人重识别方法、电子设备及可读存储介质。
-
公开(公告)号：CN114882521B
公开(公告)日：2024-09-13
申请号：CN202210333714.9
申请日：2022-03-30
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/096
Abstract: 本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。
-
Patent Agency Ranking
公开(公告)号：CN116844011A
公开(公告)日：2023-10-03
申请号：CN202310823910.9
申请日：2023-07-06
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/80 , G06V10/74 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08 , G06F40/284 , G06F40/211
Abstract: 本公开提供了一种图像描述文本的生成方法，包括：对目标图像的网格特征进行处理，构建关于目标图像的多个伪区域特征，其中伪区域特征用于表征目标图像的局部视觉信息；分别对网格特征和伪区域特征进行编码增强处理，获得融合有多层图像编码结果的网格增强特征和融合有多层局部编码结果的伪区域增强特征；以及对网格增强特征和伪区域增强特征进行语义解析，生成用于表征目标图像中视觉信息的图像描述文本。本公开还提供了一种图像描述文本的生成装置、电子设备及存储介质。
-
公开(公告)号：CN114882521A
公开(公告)日：2022-08-09
申请号：CN202210333714.9
申请日：2022-03-30
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。
-
公开(公告)号：CN114332517A
公开(公告)日：2022-04-12
申请号：CN202111506192.X
申请日：2021-12-10
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/762 , G06V10/774 , G06V40/10 , G06K9/62
Abstract: 本公开提供了一种无监督行人重识别模型的建立方法，包括：使用图像样本数据集在源域上进行训练，获得源域模型；在目标域创建协作网络与联合网络，将源域模型的模型参数迁移至目标域，对协作网络及联合网络进行初始化；将图像样本数据集分别输入至第一临时平均模型和第二临时平均模型，获得两组图像样本，分别提取样本特征，获取两组图像样本的样本特征的平均样本特征；对图像样本数据集进行聚类处理，获得聚类中心和伪标签；对图像样本数据集进行图像样本数据集分割处理，分割为信赖集和噪声集；对联合网络以及协作网络进行交替训练，获得训练后的无监督行人重识别模型。本公开还提供了一种无监督行人重识别方法、电子设备及可读存储介质。
-
公开(公告)号：CN108921107B
公开(公告)日：2021-10-01
申请号：CN201810736588.5
申请日：2018-07-06
Applicant: 北京市新技术应用研究所
Abstract: 一种基于排序损失和Siamese网络的行人再识别方法，利用改进的Siamese网络学习特征，采用排序损失和两个SoftMax识别损失来来监督网络的学习。使用双向最大边界排序损失处理类内和类间相似度,这样学习到的特征具有更强的鲁棒性。利用行人图像的标签信息，采用Siamese网络提取的图像深度特征，区分检测到的行人。实验结果显示，与经典的行人再识别方法对比，所述基于排序损失和Siamese网络的行人再识别方法识别精度更高。
-
公开(公告)号：CN111881188A
公开(公告)日：2020-11-03
申请号：CN202010772255.5
申请日：2020-08-04
Applicant: 河北工业大学 , 北京市新技术应用研究所
IPC: G06F16/2458 , G06F17/18 , G06Q10/04
Abstract: 本发明为一种基于贝叶斯算法的时间序列数据预测方法，该方法包括以下步骤：处理原始数据，从中提取实验所需要的数据信息；在由两个维度的时间信息形成的二维方格图上对提取的数据当中的事件信息进行统计，并将统计值作为观测值，生成一个包含两种时间信息以及与这两种不同的时间信息所组成的每一个时间点相对应的观测值数据框，即得到时间序列数据；与每一个时间点相对应的观测值整体上服从泊松分布，采用rw2d模型模拟时间序列数据的趋势；利用贝叶斯算法给出rw2d模型参数的先验分布信息，最后对rw2d模型参数后验分布进行估算。根据估算后的后验分布可以得出大维度时间标签下的小维度时间标签相应事件的相对风险，来提高最终预测结果的准确度。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.028 seconds)
